Questão de Geografia — Sensoriamento Remoto e Geoprocessamento — FGV 2024
Geografia›Sensoriamento Remoto e Geoprocessamento
Código
fg085005
Banca
FGV
Órgão
EPE
Ano
2024
Nível
Superior
Cargo
Analista de Pesquisa Energética (Meio Ambiente / Geoprocessamento Meio Físico)
A respeito de um projeto de reconhecimento de imagem, em que foi decidido usar uma Rede Neural Convolucional (CNN).Assinale a opção que apresenta a característica que a diferencia e a torna especialmente eficaz para tarefas de visão computacional.
AUso de funções de ativação não-lineares.
BAdoção de camadas convolucionais que capturam características espaciais.
CCapacidade de realizar previsão de séries temporais.
DUso de validação cruzada.
ERedução de dimensionalidade.
Revelar gabarito e comentário▾
GabaritoB — Adoção de camadas convolucionais que capturam características espaciais.
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Redes Neurais Convolucionais (CNN) em visão computacional
Gabarito: letra B. A característica que diferencia e torna a CNN especialmente eficaz para tarefas de visão computacional é a adoção de camadas convolucionais que capturam características espaciais — é exatamente essa arquitetura que permite à rede aprender hierarquicamente padrões locais (bordas, texturas, formas) diretamente dos pixels, com invariância a translações. As demais opções descrevem técnicas genéricas de aprendizado de máquina, não a essência da CNN.
Uma Rede Neural Convolucional (CNN) é um tipo de rede neural profunda projetada para processar dados com estrutura de grade, como imagens. Seu diferencial está nas camadas convolucionais, que aplicam filtros (kernels) deslizantes sobre a imagem para extrair características locais. Cada filtro detecta um padrão específico (por exemplo, uma borda vertical), e as camadas seguintes combinam esses padrões em representações mais complexas (texturas, partes de objetos, objetos inteiros). Essa capacidade de aprender características espaciais — ou seja, a relação entre pixels vizinhos — é o que torna a CNN tão eficaz para visão computacional, pois respeita a estrutura bidimensional da imagem.
A banca explora a confusão entre características específicas da CNN e técnicas genéricas de aprendizado de máquina. Funções de ativação não-lineares, validação cruzada e redução de dimensionalidade são usadas em diversos modelos, não apenas em CNNs. A previsão de séries temporais, por sua vez, é mais associada a redes recorrentes (RNN/LSTM), não a CNNs. A alternativa correta é a única que aponta o elemento arquitetural que define a CNN.
CNN (visão computacional)
1Essência
Camadas convolucionais
Capturam características espaciais
Aprendizado hierárquico de padrões
2Técnicas genéricas (não são o diferencial)
Funções de ativação não-lineares
Validação cruzada
Redução de dimensionalidade
3Outras arquiteturas
RNN/LSTM → séries temporais
LEVEL · soulevel.com.br
Alternativa A — ❌ Incorreta
O uso de funções de ativação não-lineares (como ReLU, sigmoide, tanh) é uma característica comum a qualquer rede neural, não específica da CNN. Elas introduzem não-linearidade ao modelo, permitindo aprender funções complexas, mas não são o diferencial da CNN para visão computacional.
Alternativa B — ✅ Correta ⟵ GABARITO
As camadas convolucionais são o coração da CNN. Elas aplicam filtros que percorrem a imagem (operação de convolução) e capturam características espaciais — padrões locais como bordas, cantos e texturas — de forma hierárquica. Essa é a característica que diferencia a CNN de redes neurais tradicionais (fully connected) e a torna especialmente eficaz para tarefas de visão computacional, pois explora a estrutura espacial dos dados.
Alternativa C — ❌ Incorreta
A capacidade de realizar previsão de séries temporais é típica de Redes Neurais Recorrentes (RNN), como LSTM e GRU, que possuem memória para processar sequências. Embora existam arquiteturas híbridas (CNN+LSTM) e CNNs possam ser usadas em séries temporais, essa não é a característica que define ou diferencia a CNN, nem é seu foco principal.
Alternativa D — ❌ Incorreta
A validação cruzada é uma técnica de avaliação de modelos usada para estimar o desempenho de generalização, dividindo os dados em conjuntos de treino e teste. É uma prática comum em todo aprendizado de máquina, não específica de CNNs, e não está relacionada à arquitetura da rede.
Alternativa E — ❌ Incorreta
A redução de dimensionalidade é um conceito genérico (PCA, autoencoders, etc.) usado para diminuir o número de variáveis. Embora as camadas de pooling em CNNs reduzam a dimensionalidade espacial, essa não é a característica que diferencia a CNN nem a torna especialmente eficaz para visão computacional — é apenas um componente auxiliar.
NÃO CAIA NESSA!
A banca mistura técnicas genéricas de machine learning (funções de ativação, validação cruzada, redução de dimensionalidade) com a característica arquitetural específica da CNN. O candidato que não domina o conceito de camada convolucional pode cair em alternativas que parecem plausíveis, mas não respondem à pergunta: "o que diferencia a CNN?". Lembre-se: a essência da CNN é a convolução — a extração de características espaciais por filtros locais.
PEGA ESSA DICA!
Para questões sobre CNN, foque no que é exclusivo dela: camadas convolucionais, pooling, mapas de características, invariância a translação. Técnicas como ativação, validação cruzada e redução de dimensionalidade são comuns a vários modelos — desconfie quando aparecerem como "diferencial" de uma arquitetura específica.